Die Kontrolle von Risiken ist eine Fähigkeit, die jeder Anleger erlernen muss. Angesichts des sich immer schneller verändernden und weiterentwickelnden digitalen Währungsmarktes müssen algorithmische Händler dem Risikomanagement besondere Aufmerksamkeit schenken. Dies liegt daran, dass beim programmatischen Handel häufig Transaktionen auf der Grundlage historischer Daten und statistischer Modelle automatisiert werden. In sich schnell verändernden Märkten können diese Modelle jedoch schnell ungenau werden. Daher ist eine wirksame Risikomanagementstrategie zum Schutz des Anlegerkapitals von entscheidender Bedeutung.

Unter den zahlreichen Risikomanagementinstrumenten ist der Value at Risk (VaR) eine weit verbreitete Methode zur Risikomessung, mit der Anleger den maximalen Verlust vorhersagen können, der unter normalen Marktbedingungen in einem Anlageportfolio auftreten kann. Mit dem VaR lässt sich das Risiko in einer einzigen Zahl quantifizieren. Dies vereinfacht die Risikodarstellung und ermöglicht es Anlegern, potenzielle Verluste intuitiv zu verstehen.

Die Rolle des VaR

Mit VaR (Value at Risk) wird der maximal mögliche Verlust quantifiziert, der innerhalb eines bestimmten Zeitraums und bei einem bestimmten Konfidenzniveau erlitten werden kann. Mit anderen Worten: Es sagt Investoren oder Risikomanagern: „Wie viel Geld haben wir, das unter normalen Marktbedingungen im ‚sicheren‘ Bereich liegt und morgen nicht verloren geht.“ Wenn beispielsweise eine digitale Währung Der 1-Tages-99 % VaR des Portfolios ist\(10.000, was bedeutet, dass wir in 99% der Fälle einen Verlust an einem Tag von nicht mehr als\)10,000。

Vorteil

1. Leicht zu verstehenBeispielsweise beträgt der 95%ige VaR für ein Kryptowährungsportfolio für einen Tag\(5000, was bedeutet, dass es eine 95%ige Sicherheit gibt, dass das Portfolio nicht mehr verliert als\)5000. Quantifizieren Sie komplexe Risiken in einer intuitiven Zahl, die für Laien leicht verständlich ist. Dies ist natürlich zwangsläufig irreführend.

2. Vergleichsstandards： Angenommen, es gibt zwei Portfolios A und B, und der 1-Tages-95%-VaR von A beträgt\(3000, während B's\)6000. Dies bedeutet, dass A unter normalen Marktbedingungen weniger riskant ist als B. Obwohl die beiden Portfolios unterschiedliche Vermögenswerte enthalten, können wir ihre Risikoniveaus direkt vergleichen. Entsprechend kann auch das Investitionsniveau beurteilt werden. Wenn die Renditen der Strategien A und B im vergangenen Monat beide$6000, und die durchschnittlichen und maximalen VaR-Werte von A sind deutlich niedriger als die von B. Wir können daraus schließen, dass Strategie A besser ist und bei einem geringeren Risiko höhere Renditen erzielen kann.

3. Entscheidungshilfen: Ein Händler könnte den VaR verwenden, um zu entscheiden, ob einem Portfolio ein neuer Vermögenswert hinzugefügt werden soll. Wenn durch die Hinzufügung neuer Vermögenswerte der VaR erheblich steigt, kann dies bedeuten, dass das Risiko der neuen Vermögenswerte nicht der Risikotoleranz des Portfolios entspricht.

Mangel

1. Extremrisiken ignorieren： Wenn der 1-Tages-VaR von 99 % eines Portfolios$10.000, der Verlust in diesem 1%-Extremfall kann diesen Wert bei weitem übersteigen. Im Bereich der digitalen Währungen kommt es häufig zu Black-Swan-Ereignissen, und Extremsituationen übertreffen die Erwartungen der meisten Menschen, da der VaR Extremereignisse nicht berücksichtigt.

2. Annahmen: Beim parametrischen VaR wird normalerweise davon ausgegangen, dass die Vermögensrenditen normal verteilt sind, was auf realen Märkten und insbesondere auf dem Kryptowährungsmarkt selten zutrifft. Wenn wir beispielsweise von einem Portfolio ausgehen, das nur Bitcoin enthält, verwenden wir den Parameter VaR und nehmen an, dass die Renditen von Bitcoin normal verteilt sind. Tatsächlich kann die Rendite von Bitcoin in bestimmten Zeiträumen große Sprünge erfahren, und es gibt ein offensichtliches Phänomen der Volatilitätsaggregation. Wenn beispielsweise die Volatilität in der vergangenen Woche sehr hoch war, ist die Wahrscheinlichkeit einer signifikanten Volatilität in der nächsten Woche Woche wird stark ansteigen, was dazu führt, dass das Normalverteilungsmodell das Risiko unterschätzt. Es gibt Modelle, die dieses Problem berücksichtigen, wie beispielsweise GARCH, auf die wir heute nicht näher eingehen.

3. Historische Abhängigkeit: Das VaR-Modell basiert auf historischen Daten, um zukünftige Risiken vorherzusagen. Allerdings lässt die Wertentwicklung in der Vergangenheit nicht immer auf die zukünftige Wertentwicklung schließen, insbesondere in einem sich so schnell verändernden Markt wie dem Kryptowährungsmarkt. Wenn Bitcoin beispielsweise im letzten Jahr sehr stabil gewesen wäre, könnte die Methode der historischen Simulation einen sehr niedrigen VaR vorhersagen. Kommt es jedoch zu einer plötzlichen Änderung der Regulierung oder einem Marktcrash, sind Daten aus der Vergangenheit kein verlässlicher Indikator für künftige Risiken mehr.

Berechnungsmethode des VaR

Zur Berechnung des VaR gibt es drei Hauptmethoden: Parametrische Methode (Varianz-Kovarianz-Methode): Unter der Annahme, dass die Rendite einer bestimmten Verteilung folgt (normalerweise einer Normalverteilung), werden Mittelwert und Standardabweichung der Rendite zur Berechnung des VaR verwendet. . Methode der historischen Simulation: Machen Sie keine Annahmen über die Renditeverteilung und verwenden Sie direkt historische Daten, um die potenzielle Verlustverteilung zu bestimmen. Monte-Carlo-Simulation: Verwenden Sie zufällig generierte Preispfade, um Vermögenspreise zu simulieren und daraus den VaR zu berechnen.

Methode der historischen Simulation Bei dieser Methode werden vergangene Preisänderungen direkt genutzt, um mögliche zukünftige Verluste abzuschätzen. Es erfordert keine Annahmen über die Renditeverteilung und eignet sich daher für Vermögenswerte mit unbekannter oder abnormaler Renditeverteilung, wie beispielsweise digitale Währungen.

Wenn wir am Beispiel einer Spotposition von Bitcoin den 1-Tages-VaR von 95 % dieses Portfolios berechnen möchten, können wir wie folgt vorgehen:

1. Sammeln Sie die täglichen Renditen von Bitcoin über einen bestimmten Zeitraum (z. B. 100 Tage).
2. Berechnen Sie die tägliche Portfoliorendite als Rendite jedes Vermögenswerts multipliziert mit seinem Gewicht im Portfolio.
3. Sortieren Sie die Portfoliorenditen für diese 100 Tage vom Kleinsten zum Größten.
4. Suchen Sie den 5%-Datenpunkt (da wir 95 % VaR berechnen). Dieser Punkt stellt die Verlustrate des besten Tages unter den 5 schlechtesten Tagen in den letzten 100 Tagen dar.
5. Multipliziert man diese Rendite mit dem Gesamtwert der Beteiligungen, erhält man den 95 %-VaR für einen Tag.

Nachfolgend sehen Sie einen speziellen Code, der Daten der letzten 1000 Tage abruft und berechnet, dass der VaR für das Halten eines BTC-Spots derzeit 1980USDT beträgt.

import numpy as np
import requests

url = 'https://api.binance.com/api/v3/klines?symbol=%s&interval=%s&limit=1000'%('BTCUSDT','1d')
res = requests.get(url)
data = res.json()

confidence_level = 0.95
closing_prices = [float(day[4]) for day in data]
log_returns = np.diff(np.log(closing_prices))
VaR = np.percentile(log_returns, (1 - confidence_level) * 100)
money_at_risk = VaR * closing_prices[-1] * 1

print(f"VaR at {confidence_level*100}% confidence level is {money_at_risk}")

VaR-Berechnung unter Berücksichtigung der Korrelation

Bei der Berechnung des VaR eines Portfolios mit mehreren Vermögenswerten müssen wir die Korrelation zwischen den Vermögenswerten berücksichtigen. Wenn die Preisänderungen zwischen den Vermögenswerten positiv korreliert sind, steigt das Risiko des Portfolios. Wenn sie negativ korreliert sind, sinkt das Risiko des Portfolios.

Bei der Berechnung des VaR mit Korrelationen unter Verwendung der Methode der historischen Simulation müssen wir nicht nur die historischen Renditen jedes einzelnen Vermögenswerts erfassen, sondern auch die gemeinsame Verteilung der Renditen dieser Vermögenswerte berücksichtigen. In der Praxis können Sie für die Sortierung und Berechnungen direkt die historischen Renditen des Portfolios verwenden, da diese Renditen bereits die Korrelation zwischen den Vermögenswerten implizieren. Auf dem Kryptowährungsmarkt ist die Korrelation besonders wichtig. Grundsätzlich ist BTC der Marktführer. Wenn BTC bullisch wird, steigt die Wahrscheinlichkeit, dass andere Kryptowährungen steigen. Wenn BTC stark steigt oder fällt, kann sich die Marktstimmung schnell ändern, was zu Korrelationen nehmen über kurze Zeiträume hinweg deutlich zu, was insbesondere bei extremen Marktereignissen häufig vorkommt. Daher ist die Methode der historischen Simulation ein nützliches Tool bei der Betrachtung des VaR eines Kryptowährungsportfolios. Es sind keine komplexen statistischen Modelle erforderlich, sondern nur gültige historische Daten. Außerdem werden Korrelationen zwischen Vermögenswerten auf natürliche Weise berücksichtigt.

Am Beispiel einer Long-Position von 1 BTC und einer Short-Position von 10 ETH lässt sich gemäß der vorherigen Methode berechnen, dass der VaR der Short-Positionen von 10 ETH 1219 USDT beträgt. Wenn diese beiden Vermögenswerte kombiniert werden, wird der VaR wie folgt berechnet:

confidence_level = 0.95
btc_closing_prices = np.array([float(day[4]) for day in btc_data])
eth_closing_prices = np.array([float(day[4]) for day in eth_data])
btc_log_returns = np.diff(np.log(btc_closing_prices))
eth_log_returns = np.diff(np.log(eth_closing_prices))

log_returns = (1*btc_log_returns*btc_closing_prices[1:] - 10*eth_log_returns*eth_closing_prices[1:])/(1*btc_closing_prices[1:] + 10*eth_closing_prices[1:])
VaR = np.percentile(log_returns, (1 - confidence_level) * 100)
money_at_risk = VaR * (btc_closing_prices[-1] * 1 + eth_closing_prices[-1]*10)

print(f"VaR at {confidence_level*100}% confidence level is {money_at_risk}")

Das Ergebnis beträgt 970 USDT, was bedeutet, dass das Risiko dieser Kombination geringer ist als das separate Halten der entsprechenden Vermögenswerte. Dies liegt daran, dass die Marktbedingungen von BTC und ETH stark korreliert sind und der Absicherungseffekt der Long-Short-Kombination das Risiko verringert .

Zusammenfassen

In diesem Artikel wird eine anpassbare Methode zur Risikobewertung vorgestellt, nämlich die Anwendung der historischen Simulation bei der Berechnung des VaR, und wie die Korrelation zwischen Vermögenswerten berücksichtigt werden kann, um die Risikoprognose zu optimieren. Dieses Dokument erläutert anhand spezifischer Beispiele aus dem Kryptowährungsmarkt, wie Sie mithilfe der historischen Simulation das Portfoliorisiko beurteilen können, und erörtert Methoden zur Berechnung des VaR bei signifikanter Vermögenswertkorrelation. Durch diesen Ansatz können programmatische Händler nicht nur in den meisten Fällen den maximalen Verlust abschätzen, sondern sind auch auf extreme Marktbedingungen vorbereitet, sodass sie beim Handeln gelassener vorgehen und Strategien präzise umsetzen können.